cross-validation
PulseAugur coverage of cross-validation — every cluster mentioning cross-validation across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过双重惩罚增强多变量函数数据分析
本文介绍了一种名为正则化多变量函数主成分分析（ReMFPCA）的新框架，该框架利用函数奇异值分解（SVD）。该方法通过在希尔伯特空间内应用广义函数SVD来增强现有的MFPCA方法，从而允许同时正则化函数主成分及其得分。一个显著的特点是包含了对PC得分的稀疏性惩罚，通过去除不相关的受试者特定变化来提高可解释性。该框架还提出了两种幂算法实现和一种用于选择平滑参数的交叉验证方法，并通过模拟和实际应用表明其提取信息成分的能力得到了提高。
-
新框架利用领域知识增强模型选择
一篇新论文介绍了一个用于模型选择的理论框架，该框架使用交叉验证，特别是在纳入领域知识时。该研究为整个学习流程建立了基于VC维度的偏差界，扩展了无界损失函数的现有结果。它提出了“学习空间”来根据领域知识构建候选模型，并证明了在处理高维线性回归时，适应良好的学习空间可以显著优于OLS、LASSO和岭回归等标准方法。
-
新论文质疑交叉验证在模型比较中的稳定性
一篇新发表在arXiv上的论文表明，交叉验证（一种常用的机器学习模型比较统计技术）可能产生不稳定且无效的推断。研究特别指出，尽管Lasso和软阈值方法本身是稳定的，但它们可能导致不可靠的比较。这种不稳定性引发了对在未事先验证相对稳定性情况下的常规交叉验证模型比较用法的质疑。
-
新的TWCV方法提高了空间预测模型的准确性
研究人员开发了一个名为目标加权交叉验证（TWCV）的新框架，以提高空间预测模型性能估计的准确性。该方法解决了验证数据不能准确反映模型部署条件这一常见问题，导致结果存在偏差。TWCV使用环境协变量和预测距离等空间相关数据，将验证任务与现实世界的部署场景对齐。模拟以及在德国绘制二氧化氮浓度图的案例研究表明，与标准交叉验证技术相比，TWCV显著减少了偏差，提供了更可靠的误差估计。